Hacia una oncología de precisión: aprendizaje no supervisado de variedades para el perfilado molecular espacial en tejidos cancerosos.

La oncología de precisión se basa en la caracterización precisa de las distribuciones moleculares espaciales en los tejidos cancerosos para descubrir biomarcadores críticos y guiar la toma de decisiones clínicas.

Sin embargo, la alta dimensionalidad y complejidad de los datos de la imagen de espectrometría de masas (MSI) plantean importantes desafíos para un análisis eficaz.

Este estudio presenta un marco de aprendizaje no supervisado de variedades para abordar estos desafíos, mapeando los datos de MSI de alta dimensión en un espacio de baja dimensión, al tiempo que se preservan los patrones moleculares esenciales. Este método permite una reducción de dimensionalidad, un agrupamiento y una visualización eficientes de los datos de MSI, lo que facilita el descubrimiento de características moleculares resueltas espacialmente. Aplicado a conjuntos de datos de cáncer de próstata y adenocarcinoma colorrectal, el método propuesto identifica con precisión las regiones cancerosas y revela marcadores moleculares altamente correlacionados con coeficientes de correlación de Pearson de hasta 0,79.

Estos hallazgos demuestran el potencial del aprendizaje no supervisado de variedades para mejorar la interpretabilidad y la utilidad de los datos de MSI en la oncología de precisión, allanando el camino para una mejor identificación de biomarcadores y el diagnóstico del cáncer.